[发明专利]基于多任务神经协同过滤网络的物品评分方法

权利要求书

1.一种基于多任务神经协同过滤网络的物品评分方法，其特征在于，设计两个辅助任务网络：用户对物品的显式评分网络与隐式评分网络，通过这两个辅助任务协助主任务，并使用加权二分类交叉熵作为主网络的损失函数，迭代训练多任务神经协同过滤网络；该方法的具体步骤如下：

(1)构建特征矩阵：

(1a)从待推荐用户属性数据集中提取至少800个用户的属性特征生成一个用户属性特征矩阵；

(1b)从待推荐物品属性数据集中提取至少1000个物品的属性特征生成一个物品属性特征矩阵；

(2)构建用户-物品评分矩阵：

从用户对物品的历史评分数据集提取至少10万条待推荐用户对待推荐物品的评分生成一个用户-物品评分矩阵；

(3)生成训练集：

从用户属性特征矩阵提取用户属性特征，从物品属性特征矩阵提取物品属性特征，从用户-物品评分矩阵提取用户对物品的显式评分与隐式评分；将所提取的用户属性特征、物品属性特征与用户对物品的显式评分与隐式评分组成训练集；所述用户对物品的显式评分与隐式评分是按照下式得到的：

其中，E_ij表示第i个用户对第j个物品的显式评分，r_ij表示第i个用户对第j个物品的真实评分，Y_ij表示第i个用户对第j个物品的隐式评分；

(4)构建多任务神经协同过滤网络：

(4a)搭建一个五层的显式评分网络，其结构依次为：输入层，第一全连接层，第二全连接层，第三全连接层，输出层；将输入层神经元个数设置为8；将第一至第三全连接层神经元个数分别设置为64、32、8，激活函数均设置为ReLU函数；将输出层神经元个数设置为6，激活函数设置为Softmax函数；

(4b)搭建一个五层的隐式评分网络，其结构依次为：输入层，第一全连接层，第二全连接层，第三全连接层，输出层；将输入层神经元个数设置为8；将第一至第三全连接层神经元个数分别设置为64、32、8，激活函数均设置为ReLU函数；将输出层神经元个数设置为1，激活函数设置为Sigmoid函数；

(4c)搭建一个四层的主网络，其结构依次为：加法融合层，第一全连接层，第二全连接层，输出层；加法融合层神经元个数设置为32；将第一、第二全连接层神经元个数分别设置为8、4，激活函数均设置为ReLU函数；将输出层神经元个数设置为1，激活函数设置为Sigmoid函数；

(4d)将显示评分网络的第二全连接层与隐式评分网络的第二全连接层拼接后与主网络的加法融合层连接，得到神经协同过滤网络；

(5)训练多任务神经协同过滤网络：

(5a)设置多任务神经协同过滤网络的学习率为0.001，滑动平均衰减速率为0.99，dropout保留概率参数为0.5，batch size的大小为500，设置正则化系数为0.0001，优化器为Adam；

(5b)将训练集输入到多任务神经协同过滤网络中对网络迭代训练，在每次迭代的过程中，分别计算显式评分网络前迭代时的输出值与显示评分之间的多分类交叉熵损失、隐式评分网络前迭代时的输出值与隐式评分之间的二分类交叉熵损失、以及主网络前迭代时的输出值与隐式评分之间的加权二分类交叉熵损失，将多分类交叉熵损失、二分类交叉熵损失与加权二分类交叉熵损失加权求和，得到当前迭代时的多任务神经协同过滤网络的总交叉熵损失，用该总交叉熵损失更新当前迭代时的网络中每个神经元的权重值；经过多次迭代训练直至多任务神经协同过滤网络的总损失收敛，得到训练好的多任务神经协同过滤网络；

(6)评分：

(6a)从待评分用户属性数据中提取用户的年龄、性别、职业与籍贯组成待评分用户特征；从待评分物品属性数据中提取商品的品牌、类别、生产厂商与生产日期组成待评分物品特征；

(6b)将待评分用户特征与待评分物品特征同时输入到训练好的多任务神经协同过滤网络中，输出用户对物品的评分。

2.根据权利要求1所述的基于多任务神经协同过滤网络的物品评分方法，其特征在于，步骤(1a)中所述用户属性特征矩阵的列依次为年龄、性别、职业与籍贯，矩阵的行为用户编号。

3.根据权利要求1所述的基于多任务神经协同过滤网络的物品评分方法，其特征在于，步骤(1b)中所述物品属性特征矩阵的列依次为品牌、类别、生产厂商与生产日期，矩阵的行为物品编号。